@lru_cache不能跨进程共享缓存，因其为纯内存实现，各进程缓存独立；fork后写入互不影响，不支持ttl，键需可哈希；跨进程/机器缓存应改用redis等外部存储。
Python 中 @lru_cache 为什么不能跨进程共享缓存
因为 @lru_cache 是纯内存实现，每个 Python 进程启动时都有一份独立的缓存字典，父子进程 fork 后虽然初始内容相同，但后续写入互不影响。多进程场景下（比如用 multiprocessing 或 Gunicorn 多 worker），你看到的“缓存命中”只是单个进程内的假象。
常见错误现象：time.sleep(2) 的函数加了 @lru_cache，开两个终端分别调用，各自都要等 2 秒——说明缓存没穿透到对方进程。
- 只适合单线程/单进程内高频重复调用，比如解析固定配置、递归斐波那契
- 缓存键基于
args和kwargs的hash()，含不可哈希对象（如dict、list）直接抛TypeError: unhashable type - 不支持 TTL（过期时间），清空只能靠
func.cache_clear()或重启进程
什么时候该换 redis 或 memcached 做缓存
当你需要跨进程、跨机器、带过期、可主动失效的缓存时，@lru_cache 就该让位了。典型场景：Web 接口查数据库结果、用户会话状态、API 频率限制计数器。
性能与兼容性影响：网络 IO 成为瓶颈，单次缓存读取从纳秒级升到毫秒级；但换来的是强一致性基础——所有服务实例看到同一份数据。
立即学习“Python免费学习笔记（深入）”；
本文档主要讲述的是android rtsp流媒体播放介绍；实时流协议（RTSP）是应用级协议，控制实时数据的发送。RTSP提供了一个可扩展框架，使实时数据，如音频与视频，的受控、点播成为可能。数据源包括现场数据与存储在剪辑中数据。该协议目的在于控制多个数据发送连接，为选择发送通道，如UDP、组播UDP与TCP，提供途径，并为选择基于RTP上发送机制提供方法。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看
-
redis-py的client.get(key)返回bytes，记得用.decode()或设decode_responses=True - 避免把大对象（如整个 Pandas DataFrame）直接
set到 Redis，序列化/反序列化开销大，优先存 ID 再查库 - Redis 持久化策略（RDB/AOF）会影响故障恢复后的一致性，若要求强一致，需配合业务层双删或延迟双写
functools.cached_property 和手动实现的属性缓存有何区别
cached_property 把计算结果绑定到实例 __dict__，只在第一次访问时执行函数，之后直接返回值。它不是全局缓存，也不依赖外部存储，所以不存在一致性问题——每个对象自己管自己的缓存。
容易踩的坑是误以为它能跨实例复用，或者在多线程下没加锁就修改被缓存的属性值。
- 仅适用于实例方法，且必须是无参数（除了
self）的计算型属性 - 如果属性值可能被外部修改（比如
obj._data = new_val），缓存不会自动失效，得手动删del obj._cache_attr - Python __get__ 中的线程安全（CPython GIL 不能完全保证）
本地缓存 + 分布式缓存的组合策略怎么防击穿
单纯用 Redis 有网络延迟和连接失败风险；全用 @lru_cache 又无法同步。折中做法是“本地内存缓存兜底 + Redis 主源”，但必须处理好缓存击穿（热点 key 过期瞬间大量请求打到后端）。
关键不是选哪个协议，而是控制失效节奏和 fallback 行为。
- Redis key 设置随机 TTL（比如 base=60s ± 10s），避免大量 key 同时过期
- 本地缓存（如
LRUCache）不设 TTL，但每次从 Redis 读取成功后更新本地副本，Redis 失败时直接返回本地旧值（允许短暂 stale） - 对极热 key，用 Redis 的
SETNX+ 过期时间实现简单互斥锁，防止多个请求同时回源
真正麻烦的从来不是协议本身，而是缓存失效那一刻，你的代码有没有准备好接受“旧数据”或“降级响应”。
